Rerank

POST /v1/rerank

Évalue et réordonne un ensemble de documents selon leur pertinence par rapport à une requête (compatible Jina / Cohere Rerank). Couramment utilisé pour affiner le rappel d'un système RAG.

RequestREQUEST

POSThttps://test.kailin.com.cn/v1/rerank

API KeyStored only in your browser, never uploaded

Body (JSON){ "model": "jina-reranker-v2-base-multilingual", "query": "What is vector search", "documents": [ "Vector search computes semantic similarity over embedding vectors", "The weather is nice today", "RAG systems typically retrieve first, then rerank" ], "top_n": 2 }

ResponseRESPONSE

Fill in the request and hit Send — the response shows up here

Requête

curl https://test.kailin.com.cn/v1/rerank \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-your-token" \
  -d '{
    "model": "jina-reranker-v2-base-multilingual",
    "query": "What is vector search",
    "documents": [
      "Vector search computes semantic similarity over embedding vectors",
      "The weather is nice today",
      "RAG systems typically retrieve first, then rerank"
    ],
    "top_n": 2
  }'

Corps de la requête

Paramètre	Type	Obligatoire	Description
model	string	Oui	Modèle de rerank — voir la liste des modèles disponibles
query	string	Oui	Texte de la requête
documents	array	Oui	Documents sous forme de chaînes ou d'objets { "text": "..." }
top_n	integer	Non	Ne renvoie que les N premiers résultats, tous par défaut
return_documents	boolean	Non	Inclut le texte original dans les résultats, false par défaut

Réponse

{
  "results": [
    {
      "index": 0,
      "relevance_score": 0.93,
      "document": { "text": "Vector search computes semantic similarity over embedding vectors" }
    },
    {
      "index": 2,
      "relevance_score": 0.71,
      "document": { "text": "RAG systems typically retrieve first, then rerank" }
    }
  ],
  "usage": {
    "total_tokens": 120
  }
}

Champ	Description
results[].index	Index d'origine dans le tableau documents d'entrée
results[].relevance_score	Score de pertinence, plus élevé = plus pertinent
usage.total_tokens	Tokens facturés (peut être absent sur certains canaux)

Astuce

Schéma typique : rappel vectoriel du top 50 → rerank vers le top 5 → injection dans le modèle de chat comme contexte.